Implementación de un modelo basado en clasificadores difusos para el diagnóstico de Periodontitis en las personas adultas

Abstract

Actualmente nos enfrentamos a una problemática relacionada con el diagnóstico de periodontitis en pacientes. La periodontitis es una enfermedad inflamatoria crónica que afecta los tejidos que rodean y soportan los dientes, y su diagnóstico preciso es crucial para brindar el tratamiento adecuado. El diagnóstico de periodontitis en la clínica se basa en la evaluación clínica subjetiva realizada por los dentistas. Esta evaluación se basa en la observación de signos clínicos como el sangrado de las encías, la presencia de bolsas periodontales y la movilidad dental. Sin embargo, esta metodología puede llevar a resultados inconsistentes y subjetivos debido a la interpretación personal de los dentistas. La investigación de este proyecto es cuantitativa enfocado a un análisis estadístico con medición numérica, de enfoque cuasi experimental. Como solución se implementa un modelo difuso en el proceso de diagnóstico de periodontitis permitirá establecer reglas y parámetros claros para evaluar la presencia y gravedad de la enfermedad, se utiliza un dataset con información de pacientes provenientes de distintas clínicas de Chiclayo, clasificado en cuatro estadios. Para la programación se utilizó el programa Google Colab, con el lenguaje de programación Python. Como resultado se aplicó seis algoritmos clasificadores difusos, siendo Fuzzy Min-Max Neural Network el que más se acercó con un 89.58%, de precisión, considerando a este óptimo para utilizarlo en diagnósticos seguros de pacientes con periodontitis.